Un audit et une mise en qualité en trois temps

Comment ajouter une dimension qualité aux dispositifs traditionnels de collecte et de gestion des données ? La première étape consiste à réaliser un audit, pour recenser et évaluer les données existantes au sein de l'entreprise, ainsi que celles qui ne sont pas forcément gérées en interne mais qui sont requises ou utiles pour les achats et collectées souvent de façon dispersée et sans règle. L'audit mettra également en évidence les principaux problèmes de qualité de ces données : erreurs de format (type de caractère, longueur de champ, etc.), données incomplètes, inexactes, manquantes, en double, etc. Il permettra aussi d'identifier les causes racines à l'origine de ces aléas de qualité : problèmes liés à l'informatisation du système de gestion (erreurs de programmation, de migration, de conversion, etc.), humains (erreurs de saisie, de ventilation, d'extraction, de modification dans une base, etc.), organisationnels (introduction de données externes erronées, saisies multiples, absence de langage commun, etc.) ou liés aux sources de données qui manquent elles-mêmes parfois de fiabilité et de complétude. Pour les données fournisseurs, ce travail d'audit vise essentiellement à répondre à des questions de base relatives à leur origine, l'utilisation qui en est faite, les opérations de transformation ou d'enrichissement effectuées, la codification utilisée, les processus de mise à jour et l'organisation mise en oeuvre.

L'audit réalisé, le traitement proprement dit de mise en qualité peut commencer, en trois temps : dédoublonnage, codification, consolidation. Pour supprimer les doublons, il est possible de combiner l'utilisation d'outils spécialisés, en interne, et de banque de données externes comme Altares (Dun & Bradstreet), BvD Electronic publishing, Ellisphere (ex Coface Services), Docapost, Infogreffe, Pouey International, Tessi, etc. ou de plates-formes agrégeant des informations enrichies et mises à jour, à partir de différentes sources : sites internet, réseaux sociaux, Business networks (Basware, Coupa, Proactis, SAP Ariba, etc.), "data providers", etc. Sans oublier les bases en Open data, comme le répertoire Sirene, disponible gratuitement depuis début 2017, qui recense les données d'identification de toutes les sociétés françaises et de leurs établissements sur le territoire.

L'entreprise peut également recourir à un prestataire spécialisé dans ce type d'opération, sur site ou par envoi régulier des données sous forme brute. Son travail consiste à appliquer un mode de classification en s'appuyant généralement sur des taxonomies spécialisées telles Duns (données fournisseurs) ou des standards de type eCl@ss ou UNSPSC (données produits ou services), avec le niveau de finesse approprié en fonction des besoins des achats, et à détecter d'éventuelles anomalies. Chaque nature de données (fournisseur, produit, etc.) peut ensuite être identifiée par un code unique, et donnera lieu à une mise sous contrôle avec un processus rigoureux et spécifiquement adapté.

Enrichissement et surveillance automatisée

Ces traitements peuvent aussi être l'occasion d'enrichir les données. En plus de remettre de la qualité dans les données administratives sur les fournisseurs, certains prestataires proposent d'ajouter des informations sur leur activité ou leur actionnariat, sur leur niveau de risque, les aider sur les problématiques Sapin 2 et de vigilance, en s'appuyant sur des bases d'entreprises tierces, à travers des partenariats. Il est également possible d'introduire des évaluations, basées sur un système de notation, à travers des questionnaires couvrant des critères comme la qualité, le prix, les délais ou le respect des obligations de vigilance. Ou d'ajouter des commentaires pour enrichir et argumenter les notes attribuées.

Sur ce marché, comme les autres, la dernière innovation est liée à l'arrivée des technologies d'intelligence artificielle (IA) et de blockchain. Que ce soit dans les outils d'ETL (Extract, Transform, Load) utilisés pour l'extraction-transformation contrôle puis le chargement et le transfert des données vers les systèmes cibles, qui évoluent vers l'ETQL en intégrant le "Q" de quality, ou dans les solutions digitales achats, l'IA apporte un niveau d'automatisation supplémentaire. En plus de prendre en charge les tâches élémentaires et récurrentes de mise en qualité, l'intégration d'outils d'intelligence artificielle doit surtout permettre de détecter au plus tôt les dérives, voire de les anticiper. En s'intéressant à ces technologies, les entreprises veulent limiter le mode réactif, consistant à intervenir lorsqu'une erreur est détectée, et passer en mode proactif, pour analyser et traiter les données dès leur injection dans le système d'information. L'IA doit aussi faciliter le contrôle de conformité vis-à-vis des nouvelles réglementations, que les entreprises ne doivent pas ignorer, et l'accompagnement fournisseurs en termes de risques, de responsabilité sociétale, de corruption, etc.

Instaurer une démarche d'amélioration continue

D'ailleurs, au-delà des éditeurs de solutions logicielles achats ou des acteurs historiques du marché du décisionnel, de nombreuses start-up lancent des solutions pour gérer les problématiques dans ces domaines. Certaines proposent par exemple une offre de lutte contre la fraude, avec un service de vérification des coordonnées bancaires des fournisseurs, un sujet sur lequel s'est aussi positionné Acxias, en s'appuyant sur l'autre technologie montante, la blockchain. Sa solution répond à un réel besoin : garantir que certaines informations sensibles reçues par les clients émanent de sources fiables et n'ont pas été altérées à des fins frauduleuses, alors qu'il n'existe pas d'organe central jouant le rôle de tiers de confiance et que les cas de fraude se multiplient, avec des coûts élevés. Avec cette application, les entreprises clientes utilisatrices ont la possibilité de contrôler de manière hautement sécurisée et avec certitude les informations sensibles de leurs fournisseurs par le biais d'une blockchain privée sans même que les informations sous-jacentes n'y soient stockées ou détenues par un organe central. Les échanges seront certifiés et tracés grâce à l'utilisation de Smart contracts.

Pour autant, l'ensemble du processus de gestion de la qualité des données ne peut pas être automatisé. En particulier parce qu'à l'issue du projet de nettoyage et de mise sous contrôle, un dispositif de maintien en conditions opérationnelles s'inscrivant dans la durée doit être déployé et opéré en continu. Il est indispensable de contrôler en permanence le niveau de qualité et de s'assurer qu'il n'y a pas de dérive. La démarche doit donc aussi comprendre un volet organisationnel et une gouvernance, et s'appuyer sur des "indicateurs clés de valeur" permettant de vérifier que chaque objet de données se conforme aux règles métiers préalablement définies et de définir et piloter la réalisation d'actions correctrices en cas de déviance.

En synthèse, il convient de mettre en place des outils et des procédures de contrôle en vue d'instaurer une démarche d'amélioration continue, à la fois au niveau de la DSI et de la direction des achats. Et de bien communiquer auprès de l'ensemble des parties prenantes, en particulier la direction générale de plus en plus sensible aux sujets du digital, notamment pour que les investissements, les efforts et le temps consacrés à la mise en qualité des données soient reconnus comme utiles et générateurs de valeur.

Des mêmes auteurs:

[Tribune] Les Business networks fluidifient les relations achats-fournisseurs

[Tribune] IA ... pour Intelligence Achats (augmentée!)

[Tribune] Les achats face aux défis du numérique

[Tribune] Les nouveaux défis économiques et opérationnels des achats

dd